¿Qué es StepAudio 3 TTS?
StepAudio 3 TTS es el miembro de texto a voz de la familia StepAudio 3 de StepFun, cinco modelos de audio publicados el 15 de septiembre de 2026 junto con un modelo de conversación full-duplex, reconocimiento de voz, generación general de audio y música. Transmite la voz a medida que la genera y trata las risas, las respiraciones, las vacilaciones y las autocorrecciones como parte de una interpretación, no como ruido que eliminar.
Tiene doce voces integradas, siete heredadas de StepAudio 2.5 y cinco nuevas. La interpretación se ajusta con una instrucción en lenguaje llano de hasta 500 caracteres, o con una indicación entre paréntesis dentro del texto, que se interpreta pero nunca se lee en voz alta. Las voces se pueden clonar a partir de audio de referencia o diseñar a partir de una descripción. El inglés y el chino tienen soporte completo; el japonés, el coreano, el francés y el español están en vista previa.
El modelo solo está disponible por API a través de las plataformas china e internacional de StepFun y de socios como EmpirioLabs. No se han publicado pesos, a diferencia del anterior Step-Audio-TTS-3B de StepFun.
¿Cuánto cuesta StepAudio 3 TTS?
| Plan | Precio | Qué incluye |
|---|---|---|
| Speech | $14 per 1M billable characters | Las letras, dígitos y espacios en inglés cuentan 1; el chino, 3; el japonés, 2,5 |
| Voice cloning or design | $1.50 per voice | Se cobra al añadir la voz a la biblioteca |
14 $ por 1M de caracteres facturables desde el 23 de noviembre de 2026 (el precio de lanzamiento se citaba en 0,36 $ por 10.000); clonar o diseñar una voz cuesta 1,50 $ por voz. Los caracteres chinos cuentan como 3 y los japoneses como 2,5.
¿Merece la pena StepAudio 3 TTS?
StepAudio 3 TTS es la razón de que lo más alto de la arena de voz de Artificial Analysis ya no sea cosa solo de Occidente. Está tercero, con 1.307 Elo, 33 puntos por detrás de Eleven v4 de ElevenLabs y por delante de Sonic 3.6 de Cartesia, a 14 $ por millón de caracteres, frente a 80 $ de Eleven v4 y 49 $ de Sonic 3.6 en la misma tabla. Pocos modelos de voz suenan tan bien por tan poco.
El diseño refleja la idea de StepFun de que la vacilación forma parte de cómo habla la gente. Le dices cómo interpretar con una frase, o metes una acotación entre paréntesis, y añade las respiraciones y los arranques en falso que la mayoría de sistemas pulen. Eso encaja más con el drama, los vídeos explicativos y las voces de personajes que con el mensaje de espera de un banco.
La pega: la infraestructura es estrecha. Cada solicitud tiene un tope de 1.000 caracteres, así que un capítulo hay que cortarlo en trozos del tamaño de una frase y volver a unirlo, y la salida llega como máximo a 24 kHz. Cuatro de sus seis idiomas están en vista previa. La facturación cuenta cada carácter chino como tres y cada japonés como 2,5, así que el precio de portada favorece al inglés. Y el propio precio ha cambiado: la página de precios de StepFun cambia las tarifas el 23 de noviembre de 2026, y una cifra de 0,36 $ por 10.000 del lanzamiento sigue circulando en rastreadores de terceros.
Nuestra opinión: para narración en inglés o mandarín con poco presupuesto, esta es ahora la voz a batir. Los equipos que necesiten solicitudes largas, frecuencias de muestreo altas o una amplia cobertura de idiomas se gastarán el ahorro en ingeniería.
Dónde se gana su sitio
Un estudio de dos personas que hace audiodramas en inglés
Poner voz a un guion de 40.000 palabras con respiraciones, pausas y vacilaciones que no suenen ensayadas
Divide el guion en solicitudes de menos de 1.000 caracteres, añade acotaciones entre paréntesis en cada línea y une el audio. Unos 240.000 caracteres cuestan alrededor de 3,40 $ a 14 $ por millón.
Una empresa de e-learning de Shanghái
Narrar lecciones en mandarín con una voz de profesor clonada y coherente
Clona una vez al profesor por 1,50 $ y sintetiza las lecciones; cuenta con que cada carácter chino vale 3 caracteres facturables, unos 42 $ por millón de caracteres de guion.
Antes de decidirte
- Puesta en marcha
- Haz POST a un endpoint /v1/audio/speech de estilo OpenAI con el modelo stepaudio-3-tts, una voz y una instrucción opcional; las respuestas sin streaming devuelven una URL de audio.
- Integraciones
- Plataformas internacional y china de StepFun; revendido por EmpirioLabs; salida en mp3, wav, flac, opus y pcm de 8 a 24 kHz.
- Datos y privacidad
- Solo API, sin pesos. La página de precios de StepFun y la documentación que leímos no indican la retención ni el uso para entrenamiento del audio y el texto; revisa las condiciones de la plataforma antes de enviar contenido de clientes.
- Coste a escala
- 10 millones de caracteres de narración en inglés cuestan 140 $; la misma longitud de texto en chino se factura como 30 millones de caracteres, 420 $.
- Límites
- 1.000 caracteres por solicitud; se rechazan los 48 kHz. Las cuentas nuevas empiezan con 5 solicitudes simultáneas y 100 solicitudes por minuto, que suben con el total recargado.
Lo bueno
- Tercero en la arena de Artificial Analysis con 1.307 Elo
- 14 $ por 1M de caracteres, menos de una quinta parte de los 80 $ de Eleven v4
- Dirección en lenguaje llano y respiraciones y vacilaciones naturales
- Clonar o diseñar una voz cuesta 1,50 $
Lo malo
- 1.000 caracteres por solicitud y 24 kHz como máximo
- Japonés, coreano, francés y español todavía en vista previa
- Los caracteres chinos se facturan como 3 y los japoneses como 2,5
- Las condiciones de tratamiento del audio no figuran en la documentación que leímos
Ideal para
Productores de narración, vídeos explicativos y diálogos de personajes en inglés o mandarín que quieren calidad casi de primera a un precio por carácter bajo y pueden dividir los guiones en solicitudes cortas.
Alternativas a StepAudio 3 TTS
StepAudio 3 TTS: preguntas frecuentes
- ¿Merece la pena StepAudio 3 TTS?
- Cerca de lo más alto de las clasificaciones de oyentes por una fracción del precio de los líderes, siempre que tus guiones sean cortos y sobre todo en inglés o chino. Le damos un 4.2 sobre 5.
- ¿Cuánto cuesta StepAudio 3 TTS?
- 14 $ por 1M de caracteres facturables desde el 23 de noviembre de 2026 (el precio de lanzamiento se citaba en 0,36 $ por 10.000); clonar o diseñar una voz cuesta 1,50 $ por voz. Los caracteres chinos cuentan como 3 y los japoneses como 2,5.
- ¿Qué inconvenientes tiene StepAudio 3 TTS?
- 1.000 caracteres por solicitud y 24 kHz como máximo; japonés, coreano, francés y español todavía en vista previa; los caracteres chinos se facturan como 3 y los japoneses como 2,5; las condiciones de tratamiento del audio no figuran en la documentación que leímos.
- ¿Para quién es StepAudio 3 TTS?
- Productores de narración, vídeos explicativos y diálogos de personajes en inglés o mandarín que quieren calidad casi de primera a un precio por carácter bajo y pueden dividir los guiones en solicitudes cortas.
- ¿Cuánto cuesta StepAudio 3 TTS para un equipo o en producción?
- 10 millones de caracteres de narración en inglés cuestan 140 $; la misma longitud de texto en chino se factura como 30 millones de caracteres, 420 $.
- ¿Es StepAudio 3 TTS seguro para los datos de la empresa?
- Solo API, sin pesos. La página de precios de StepFun y la documentación que leímos no indican la retención ni el uso para entrenamiento del audio y el texto; revisa las condiciones de la plataforma antes de enviar contenido de clientes.
- ¿Cuáles son las mejores alternativas a StepAudio 3 TTS?
- Las alternativas más cercanas que hemos analizado son Eleven v4 and v4 Turbo, Cartesia Sonic 3.6, Qwen-Audio-3.1-TTS-Plus y Speechify Simba 3.5.
Respuestas comprobadas el 21 nov 2026.